[논문 리뷰] Low-Dose CT via Deep CNN with Skip Connection and Network in Network

Chenyu You, Linfeng Yang외 2명|arXiv (Cornell University)|2018. 11. 26.

Medical Imaging Techniques and Applications참고 문헌 13인용 수 8

한 줄 요약

이 논문은 저선량 CT(LDCT) 영상의 노이즈 제거를 위한 깊이 신경망(DCNN)인 DCSWGAN을 제안한다. 잔차 학습, 차원 감소를 위한 $1\times1$ 컨볼루션 네트워크, $L_1$ 손실을 갖는 워샤르스테인 GAN(WGAN)을 통합함으로써, PSNR, SSIM 및 시각적 품질 측면에서 최신 기술들을 능가하는 뛰어난 노이즈 억제 성능과 구조적 세부 정보 유지 능력을 확보하였다. 복부 CT 스캔에서 검증된 결과, 이는 우수한 성능을 보였다.

ABSTRACT

A major challenge in computed tomography (CT) is how to minimize patient radiation exposure without compromising image quality and diagnostic performance. The use of deep convolutional (Conv) neural networks for noise reduction in Low-Dose CT (LDCT) images has recently shown a great potential in this important application. In this paper, we present a highly efficient and effective neural network model for LDCT image noise reduction. Specifically, to capture local anatomical features we integrate Deep Convolutional Neural Networks (CNNs) and Skip connection layers for feature extraction. Also, we introduce parallelized $1 imes 1$ CNN, called Network in Network, to lower the dimensionality of the output from the previous layer, achieving faster computational speed at less feature loss. To optimize the performance of the network, we adopt a Wasserstein generative adversarial network (WGAN) framework. Quantitative and qualitative comparisons demonstrate that our proposed network model can produce images with lower noise and more structural details than state-of-the-art noise-reduction methods.

연구 동기 및 목표

• 저선량 CT 영상의 노이즈를 줄이면서 해부학적 및 병리학적 세부 구조를 유지하고자 한다.
• 기존의 노이즈 제거 방법의 한계, 즉 블러링과 미세한 구조의 손실 문제를 해결하고자 한다.
• 계층적 특징 추출 및 차원 감소를 통해 계산 효율성 향상과 특징 표현 향상을 도모하고자 한다.
• 잔차 학습과 적대적 훈련을 융합하여 더 선명하고 현실적인 출력을 얻고자 한다.

제안 방법

• 생성망 네트워크는 여러 레이어의 특징를 유지하고 융합하기 위해 스킵 커넥션을 활용하여 기울기 흐름을 향상시키고 특징 재사용을 증진시킨다.
• 재구성 단계 이후 특징 차원을 감소시키기 위해 병렬 $1\times1$ 컨볼루션을 갖는 네트워크 인 네트워크 모듈을 도입하여 계산 비용을 낮추면서도 정보 손실를 최소화한다.
• 잔차 학습은 이중선형 보간을 통해 생성된 LDCT 영상과 해당하는 전량 CT(FDCT) 영상 간 잔차를 예측하도록 네트워크를 훈련시켜 적용한다.
• 판별망은 생성된 영상의 분포를 실제 FDCT 영상과 일치시키기 위해 WGAN 프레임워크를 사용하여 시각적 품질을 향상시킨다.
• 손실 함수는 WGAN 적대적 손실과 $L_1$-노름 손실을 조합하며, 세부 구조 유지와 노이즈 억제 사이의 균형을 맞추기 위해 정규화 파rameter $\lambda_1$를 사용한다.
• 10명의 환자로부터 $80\times80$ 크기의 영상 패치를 추출하였고, Hounsfield 단위 값은 [0,1]로 정규화하였다. 모델은 유한한 한 명의 환자를 제외한 나머지 환자에 대해 교차 검증 방식으로 훈련되었다.

실험 결과

연구 질문

• RQ1 스킵 커넥션과 네트워크 인 네트워크 아키텍처를 갖춘 딥 CNN이 저선량 CT 영상에서 노이즈를 효과적으로 억제하면서 미세한 해부학적 구조를 유지할 수 있는가?
• RQ2 잔차 학습과 워샤르스테인 GAN을 융합함으로써, 기존의 표준 GAN이나 $L_1$ 기반 모델 대비 시각적 품질과 구조적 정확도가 향상되는가?
• RQ3 네트워크 인 네트워크 설계에서 $1\times1$ 컨볼루션을 사용함으로써 계산 복잡도를 줄일 수 있는가? 이는 특징 표현 품질에 영향을 주지 않는가?
• RQ4 제안된 DCSWGAN 프레임워크는 임상적 복부 CT 자료에서 PSNR, SSIM 및 RMSE 측면에서 최신 기술들을 능가하는 성능을 달성하는가?

주요 결과

• DCSWGAN은 테스트 세트에서 최고의 PSNR 26.928과 SSIM 0.828를 기록하여 CNN-L1, WGAN, DCSCN보다 두 지표에서 모두 뛰어난 성능을 보였다.
• 시각적 점검 결과, DCSWGAN이 미세한 구조적 세부 정보, 예를 들어 전이성 병변과 미세한 질감을 가장 잘 유지하고 있음을 확인하였다. 그림 3(f)의 점선 원과 화살표로 표시된 부분에서 이를 확인할 수 있었다.
• 모델는 배경 노이즈를 크게 감소시켰고, CNN-L1과 DCSCN 결과에서 관찰된 블러링과 블록 아티팩트를 최소화하였다.
• DCSCN는 최고의 PSNR(28.016)와 SSIM(0.883)를 기록했지만, 여전히 눈에 띄는 블러링 현상이 있었으며, 이는 노이즈 억제와 선명도 사이의 상충 관계를 보여주었다.
• WGAN 기반 방법(DCSWGAN)은 $L_1$ 기반의 CNN-L1 및 표준 WGAN 모델 대비 더 현실적인 영상을 생성하여 더 선명한 윤곽선과 뛰어난 대trast 해상도를 확보하였다.
• $L_1$ 손실과 WGAN 적대적 훈련의 조합은 영상의 블러링을 효과적으로 줄였고 고주파 특징을 유지하는 데 성공하였다. 그림 3과 5의 확대된 ROI에서 이를 확인할 수 있었다.